一种通用的混合型关联推荐开发平台及关联推荐方法.pdf

本发明公开了一种通用的混合型关联推荐开发平台及关联推荐方法，所述关联推荐开发平台包括基于调度和算法插件的推荐引擎云组件群和基于web GUI拖拽配置的关联推荐业务模块；所述的基于调度和算法插件的推荐引擎云组件群包括独立的算法组件和调度配置模块。本发明提供了一种通用的、灵活的与业务松耦合的关联推荐系统，该方法在各个业务的用户推荐引擎中，将节约大量开发时间和成本，从而实现内容运营系统、订阅中心系统，返利系统，智能营销等一次推荐系统实现，多次配置就可以实现各个业务复杂的关联推荐需求。

权利要求书一种通用的混合型关联推荐开发平台，其特征是：包括基于调度和算法插件的推荐引擎云组件群和基于web GUI拖拽配置的关联推荐业务模块；所述的基于调度和算法插件的推荐引擎云组件群包括独立的算法组件和调度配置模块。
如权利要求1所述的通用的混合型关联推荐开发平台，其特征是：还包括用于从具有社交关系的数据源中获取好友列表的好友列表获取单元，以及用于推荐信息生成和发送的推荐信息生成和发送模块。
一种通用的混合型关联推荐方法，包括步骤：
A）启动云组件群的服务主进程，获取云服务内的所有可用资源和调度形式，并启动多接口支持的轮询服务，加载已有调度或请求所需要的引擎算法；
B）若有新的推荐请求，首先判断引擎算法是否已经加载，若没有加载则判断算法包是否存在，存在则加载；若判断当前引擎处理能力是否达到上限，若没有参数初始化和配置调度，若达到上限则分配新的算法引擎支撑业务请求；
C）选取推荐引擎算法的属性和核心特征变量，使用推荐引擎的历史运行日志数据来进行建模；
D）使用web GUI拖拽配置关联推荐引擎业务模块进行对应项的配置，实现关联推荐系统的接入。
如权利要求3所述的通用的混合型关联推荐方法，其特征是：还包括步骤：
E）从具有社交关系的数据源中获取用户好友列表，并从用户行为数据库获取所述好友列表中好友的行为记录；
F）依据好友的行为记录生成与用户当前行为匹配的推荐信息，向应用网站发送所述的推荐信息。

说明书一种通用的混合型关联推荐开发平台及关联推荐方法
技术领域
本发明属于数据挖掘处理领域，尤其是涉及一种通用的混合型关联推荐开发平台及关联推荐方法。
背景技术
当下，个性化时代的潮流势不可挡，业界普遍意识到了推荐是网站的一项基本服务。但是，人们对推荐该如何来做，也就是推荐技术本身，还不甚了解。我们经常会遇到这样的疑问：“购买过该商品的用户还购买过哪些商品这种推荐，不是一个SQL语句就搞定了吗？”其实不然，推荐技术远远不是这么简单。广义上讲，推荐技术属于数据挖掘和机器学习范畴，这也意味着好的推荐服务依赖于科学的推荐算法和大量的学习数据。对于电子商务和资讯网站来讲，想在推荐技术领域精耕细作，研发高端的推荐算法并应用到海量数据上是非常困难的。
发明内容
本发明的目的在于提供一种通用的、灵活的与业务松耦合的关联推荐系统，该方法在各个业务的用户推荐引擎中，将节约大量开发时间和成本，从而实现内容运营系统、订阅中心系统，返利系统，智能营销等一次推荐系统实现，多次配置就可以实现各个业务复杂的关联推荐需求。
本发明所述的通用的混合型关联推荐开发平台，包括基于调度和算法插件的推荐引擎云组件群和基于web GUI拖拽配置的关联推荐业务模块；所述的基于调度和算法插件的推荐引擎云组件群包括独立的算法组件和调度配置模块。
还包括用于从具有社交关系的数据源中获取好友列表的好友列表获取单元，以及用于推荐信息生成和发送的推荐信息生成和发送模块。
本发明所述通用的混合型关联推荐方法，包括步骤：
A）启动云组件群的服务主进程，获取云服务内的所有可用资源和调度形式，并启动多接口支持的轮询服务，加载已有调度或请求所需要的引擎算法；
B）若有新的推荐请求，首先判断引擎算法是否已经加载，若没有加载则判断算法包是否存在，存在则加载；若判断当前引擎处理能力是否达到上限，若没有参数初始化和配置调度，若达到上限则分配新的算法引擎支撑业务请求；
C）选取推荐引擎算法的属性和核心特征变量，使用推荐引擎的历史运行日志数据来进行建模；
D）使用web GUI拖拽配置关联推荐引擎业务模块进行对应项的配置，实现关联推荐系统的接入。
还包括步骤：
E）从具有社交关系的数据源中获取用户好友列表，并从用户行为数据库获取所述好友列表中好友的行为记录；
F）依据好友的行为记录生成与用户当前行为匹配的推荐信息，向应用网站发送所述的推荐信息。
本发明设计出一种通用的、灵活的与业务松耦合的关联推荐系统，该方法在各个业务的用户推荐引擎中，将节约大量开发时间和成本，从而实现内容运营系统、订阅中心系统，返利系统，智能营销等一次推荐系统实现，多次配置就可以实现各个业务复杂的关联推荐需求，每个业务实现推荐算法需要1个月时间，个性化推荐系统平台实现需要2个月，接入的系统和业务越多，对应资源和财力的ROI就越来越大。个性化推荐系统提高了各个业务系统的访问量、回头率、业务转换率达到了40%，降低了用户跳出率达20%。
本发明主要包括基于调度和算法插件的推荐引擎云组件群和基于web GUI拖拽配置的关联推荐业务模块这两部分内容，其中基于调度和算法插件的推荐引擎是关联推荐业务模块这一步骤的核心和基础。
附图说明
图1为本发明所述的通用的混合型关联推荐开发平台示意图；
图2为本发明所述基于调度和算法插件的推荐引擎云组件群程序流程图；
图3为本发明所述资源分配和调度抢占的决策树模型。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
图1所示为本发明所述的通用的混合型关联推荐开发平台示意图，该系统主要包括存储层，数据处理层，引擎算法层，业务层和接口层。本发明所述的通用的混合型关联推荐开发平台，主要包括基于调度和算法插件的推荐引擎云组件群和基于web GUI拖拽配置的关联推荐业务模块；所述的基于调度和算法插件的推荐引擎云组件群包括独立的算法组件和调度配置模块。
还包括用于从具有社交关系的数据源中获取好友列表的好友列表获取单元，以及用于推荐信息生成和发送的推荐信息生成和发送模块。为了更加安全准确的实现信息推荐，还可以设置信息过滤及安全相关的单元或者模块。
基于调度和算法插件的推荐引擎云组件群由独立的算法组件和调度配置模块组成。独立的算法组件都以云服务组件的形式部署，支持http request、javascript api、socket等多种调用方式，每个算法都支持不同的参数和调度控制。
所谓基于调度和算法插件的推荐引擎云组件群，就是指把推荐引擎层作为支持调度的云服务组件群，支持引擎算法的松耦合和即插即用的模式，支持算法个性参数和灵活调度，支持底层内存并行计算和分布式计算，支持资源优先级配置。
基于调度和算法插件的推荐引擎云组件群的实现如下：
首先启动云组件群的服务主进程，获取云服务内的所有可用资源和调度形式，启动多接口支持的轮询服务，加载已有调度或请求所需要的引擎算法。若有新的推荐请求，首先判断引擎算法是否已经加载，若没有加载则判断算法包是否存在，存在则加载；若判断当前引擎处理能力是否达到上限，若没有参数初始化和配置调度，若达到上限则分配新的算法引擎支撑业务请求。
基于调度和算法插件的推荐引擎云组件群程序流程图如图2所示。基于智能决策的资源分配和调度配置算法：
基于智能决策的资源分配和调度配置算法是推荐引擎云组件群中的核心，组件采用数据挖掘的中的分类决策树算法来预测和决定资源分配和调度的优先抢占策略。
选取推荐引擎算法的属性和核心特征变量，使用推荐引擎的历史运行日志数据来进行建模，使其可以机器集群资源的变化自学习，从而优化资源分配和调度抢占模型。
求取每个条件信息增益率，其表达式为：
其中，